本次查询：CRAG
中文解释：纠正性检索增强生成
常见场景：企业知识库问答 / 智能客服 / 事实核查型生成任务
一句话解释
CRAG是一种改进的检索增强生成框架，它在标准RAG基础上增加了“检索评估-纠错回退”环节：当系统发现检索到的信息可能不相关或矛盾时，会主动发起二次检索或依赖外部知识源进行修正，最终让大模型只使用经过验证的内容来生成回答。
为什么会被关注
此外，CRAG不要求修改大模型本身的参数，而是作为一种插件式框架工作，落地成本低。许多企业和研究者都在探索如何将CRAG与知识图谱、实时搜索引擎结合，所以它很快成为RAG领域的下一个主流方向。
核心逻辑
关键差异在于“纠正”环节：CRAG不是简单重复RAG流程，而是通过一个独立的评估器（通常是小模型或规则）来检测检索质量，并引导大模型只采纳经过“审查”的信息，从而避免将错误知识混入输出。
常见场景
在智能客服中，用户问“最新退货政策”，系统首次检索可能拿到旧版本，CRAG的评估器发现日期不符，便启动二次检索并优先匹配更新日期≥当前时间的文档，确保回答时效性。
在学术文献问答中，检索结果若包含矛盾结论（比如一篇论文说A有效、另一篇说A无效），CRAG会标记冲突并请求用户确认或调用权威知识图谱进行仲裁，而非强行拼凑答案。
容易混淆的点
CRAG≠普通RAG。普通RAG只做“检索+生成”，而CRAG多了评估与纠正步骤。有人误以为只要把检索结果增多就能提升质量，实际上CRAG更看重对单次检索结果的质量判断和错误修复机制。
CRAG也不同于完全放弃检索的纯生成模型——它依然依赖外部知识，只是多了安全护栏。还有观点认为CRAG与“自我纠错”（Self-Correction）类似，但CRAG侧重对外部检索源的校验，而非对生成内容的自我反思。